हिंदी OCR: इमेज से हिंदी टेक्स्ट निकालें
हिंदी टेक्स्ट वाली फोटो, स्क्रीनशॉट या स्कैन की हुई PDF अपलोड करें। आपको Unicode देवनागरी टेक्स्ट मिलेगा, जो Word, WhatsApp, Google Docs या किसी फ़ॉर्म में बिना गड़बड़ी के पेस्ट होता है। डॉक्यूमेंट की भाषा पहले से हिंदी पर सेट है।
इमेज से टेक्स्ट
या PDF, JPG, JPEG … फ़ाइलें यहाँ ड्रop करें ·
प्रति फ़ाइल अधिकतम 95 MB· अधिकतम 20 फ़ाइलें· 30 मिनट बाद हटा दी जाती हैं
फ़ाइलें हमारे सर्वर पर प्रोसेस होती हैं और 30 मिनट बाद हटा दी जाती हैं।
दो भाषाओं वाले पन्नों के लिए, जैसे अंग्रेज़ी शब्दों वाली हिंदी। अन्यथा "कोई नहीं" रखें; अतिरिक्त भाषा से सटीकता थोड़ी घटती है।
लेआउट बनाए रखें कॉलम, पैराग्राफ़ और टेबल को उनकी जगह रखता है। सादा टेक्स्ट एक लगातार ब्लॉक देता है, जिसे फ़ॉर्म में पेस्ट करना आसान है।
PDF और मल्टी-पेज TIFF इनपुट: सभी पन्ने पढ़ें, केवल पहला, या एक रेंज।
पढ़ने के पन्ने, जैसे 1-3, 5, 8-10।
इस टूल का उपयोग कैसे करें
- 1
हिंदी पेज अपलोड करें
JPG, PNG, HEIC या TIFF इमेज अथवा PDF जोड़ें। एक बार में 20 फ़ाइलें, हर फ़ाइल 95 MB तक। दिन की रोशनी में खींचा गया पेज का साफ़ और सीधा फोटो सबसे अच्छा पढ़ा जाता है।
- 2
पेज में हिंदी और अंग्रेज़ी दोनों हों तो अंग्रेज़ी भी जोड़ें
डॉक्यूमेंट की भाषा हिंदी रखें। अगर पेज पर अंग्रेज़ी शब्द, नाम या कोड भी हैं, तो एडवांस्ड सेटिंग में यह भी पहचानें को English पर सेट करें; वरना इसे none पर ही रहने दें।
- 3
टेक्स्ट पहचानें
टेक्स्ट पहचानें दबाएँ और .txt फ़ाइल डाउनलोड करें, या शुरू करने से पहले आउटपुट में Word या सर्चेबल PDF चुनें।
हिंदी OCR को अलग-अलग अक्षरों की लड़ी नहीं, बल्कि पूरी पंक्ति पढ़नी होती है: शिरोरेखा शब्द के हर अक्षर को जोड़ती है, मात्राएँ व्यंजन के ऊपर, नीचे और पहले लगती हैं, और व्यंजन मिलकर संयुक्ताक्षर बनाते हैं।
हिंदी OCR देवनागरी लिपि कैसे पढ़ता है
हिंदी देवनागरी में लिखी जाती है, जिसे भारत के संविधान का अनुच्छेद 343 संघ की राजभाषा की लिपि बताता है। Unicode में इसे U+0900 से U+097F तक का ब्लॉक मिला है, और हर आधुनिक फ़ोन और कंप्यूटर इसे दिखा और टाइप कर सकता है। तस्वीर से इसे पहचानना लैटिन प्रिंट पढ़ने से अलग बात है, क्योंकि इस लिपि की बनावट अलग है।
शब्द एक लगातार ऊपरी रेखा, शिरोरेखा, से लटके होते हैं, इसलिए अक्षर आपस में छूते हैं और खाली जगह देखकर उन्हें अलग नहीं किया जा सकता। पहले स्वर के बाद के स्वर मात्राओं के रूप में व्यंजन से जुड़ते हैं। बीच में स्वर के बिना दो या अधिक व्यंजन मिलकर क्ष, त्र या श्र जैसा संयुक्ताक्षर बनाते हैं। आधुनिक OCR इंजन इसे हिंदी टेक्स्ट पर ट्रेन किए गए न्यूरल नेटवर्क से पूरी पंक्तियाँ पढ़कर संभालते हैं; ओपन-सोर्स Tesseract इंजन में, उदाहरण के लिए, सामान्य देवनागरी मॉडल के साथ अलग हिंदी मॉडल भी आता है।
इसीलिए ज़्यादातर यूरोपीय भाषाओं के मुकाबले हिंदी के लिए डॉक्यूमेंट की भाषा चुनना ज़्यादा मायने रखता है। English चुनने पर हिंदी पेज से बेमतलब टेक्स्ट निकलता है; हिंदी चुनने पर इंजन देवनागरी आकृतियों की उम्मीद करता है, हिंदी वर्तनी के पैटर्न लगाता है और नतीजा सही Unicode क्रम में लिखता है। भाषाओं और आउटपुट का व्यापक परिचय देखने के लिए इमेज से टेक्स्ट कन्वर्टर देखें।
देवनागरी की वे खूबियाँ जो इमेज से हिंदी टेक्स्ट निकालना मुश्किल बनाती हैं
| विशेषता | उदाहरण | OCR के लिए इसका मतलब |
|---|---|---|
| शिरोरेखा (हेडलाइन) | हिन्दी | शब्द के अक्षर जुड़े होते हैं, इसलिए इंजन अलग-अलग अक्षरों की जगह पूरे शब्द की आकृति पढ़ता है |
| पहले लिखी जाने वाली मात्रा | कि | इ की मात्रा ि क से पहले बनती है लेकिन Unicode में उसके बाद स्टोर होती है, इसलिए दिखने वाला क्रम उलटना पड़ता है |
| हलंत वाले संयुक्ताक्षर | क्ष, ज्ञ, द्ध | दो व्यंजन और विराम ् एक जुड़ी हुई आकृति बनकर आते हैं जो तीन कोड पॉइंट से मेल खाती है |
| नुक़्ता | ज़, फ़ | अक्षर के नीचे एक छोटा बिंदु; कम रिज़ॉल्यूशन या नॉइज़ में यह आसानी से छूट जाता है या जुड़ जाता है |
| अनुस्वार और चंद्रबिंदु | हं, हँ | शिरोरेखा के ऊपर के छोटे निशान, जो कंप्रेस की गई फोटो में सबसे पहले धुँधले होते हैं |
| देवनागरी अंक | ०१२३ | कई डॉक्यूमेंट में ये 0–9 के साथ मिले होते हैं, और दोनों वैसे ही रखे जाते हैं जैसे छपे हैं |
Kruti Dev और दूसरे पुराने हिंदी फ़ॉन्ट
कई पुराने हिंदी डॉक्यूमेंट Kruti Dev जैसे फ़ॉन्ट में टाइप किए गए थे, जो देवनागरी आकृतियाँ अंग्रेज़ी कीबोर्ड कोड पर रखते हैं। वे स्क्रीन पर सही दिखते हैं, पर असली हिंदी टेक्स्ट नहीं होते, इसलिए कॉपी, सर्च और स्पेल-चेक काम नहीं करते। OCR का आउटपुट हमेशा Unicode होता है; अगर टाइपिंग टेस्ट या ऑफ़िस टेम्पलेट में अब भी Kruti Dev चाहिए, तो उसके लिए Unicode से Kruti Dev का अलग कन्वर्ज़न करना होगा।
फोटो या स्कैन से सटीक हिंदी टेक्स्ट कैसे पाएँ
हिंदी में छोटे निशान ही सटीकता तय करते हैं। नुक़्ता या चंद्रबिंदु बस कुछ पिक्सल ऊँचा होता है, और धुँधली या बहुत कंप्रेस की गई फोटो में सबसे पहले यही गायब होता है। 300 DPI पर स्कैन करें या पेज को फ्रेम भरकर खींचें, और चैट ऐप से फ़ॉरवर्ड की गई कॉपी की जगह ओरिजिनल फ़ाइल भेजें।
पेज सीधे करें सामान्य से ज़्यादा मायने रखता है, क्योंकि टेढ़ी शिरोरेखा उस लाइन को तोड़ देती है जिसे इंजन फ़ॉलो करता है। इसे चालू रखें, और फीके अख़बारी कागज़, पुराने सरकारी फ़ॉर्म या कम रोशनी में खींची फोटो के लिए कंट्रास्ट बढ़ाएँ चालू करें। सिर्फ़ हिंदी वाले पेजों के लिए यह भी पहचानें को none पर रखें; ज़रूरत न होने पर दूसरी भाषा जोड़ने से सटीकता थोड़ी घटती है।
हिंदी OCR से जुड़े सवाल
क्या हिंदी OCR, Kruti Dev में टाइप किया गया डॉक्यूमेंट पढ़ सकता है?
हाँ। OCR पेज पर छपे अक्षरों की बनावट पढ़ता है, पीछे की फ़ॉन्ट फ़ाइल नहीं, इसलिए Kruti Dev डॉक्यूमेंट के प्रिंटआउट या स्कैन को भी किसी दूसरे हिंदी टेक्स्ट की तरह पहचाना जाता है। नतीजा स्टैंडर्ड Unicode देवनागरी में मिलता है, Kruti Dev की-स्ट्रोक में नहीं।
मेरी PDF से कॉपी किया गया हिंदी टेक्स्ट बेतरतीब अंग्रेज़ी अक्षरों में क्यों बदल जाता है?
PDF ऐसे पुराने फ़ॉन्ट से बनी है जो देवनागरी की आकृतियाँ लैटिन कैरेक्टर कोड पर रखता है, इसलिए कॉपी करने पर हिन्दी की जगह fgUnh जैसे कोड मिलते हैं। पेजों को OCR से चलाने पर ये कोड नज़रअंदाज़ हो जाते हैं और जो दिखता है वही पढ़ा जाता है। OCR PDF PDF में सही टेक्स्ट लेयर भी वापस जोड़ सकता है।
निकाले गए हिंदी टेक्स्ट को दिखाने के लिए कौन-सा फ़ॉन्ट इस्तेमाल करें?
देवनागरी सपोर्ट वाला कोई भी Unicode फ़ॉन्ट। Windows में Mangal और Nirmala UI मिलते हैं, Mac और iPhone में भी देवनागरी फ़ॉन्ट होते हैं, और Google का Noto Sans Devanagari मुफ़्त है। अगर खाली डिब्बे दिखें, तो ऐप ऐसा फ़ॉन्ट इस्तेमाल कर रहा है जिसमें देवनागरी नहीं है; फ़ाइल खराब नहीं है।
क्या यह हाथ से लिखी हिंदी पढ़ सकता है?
साफ़ हाथ से लिखे नोट्स और फ़ॉर्म के लिए टेक्स्ट का प्रकार को Handwriting पर सेट करें; नतीजे प्रिंट के मुकाबले कम सटीक होते हैं और ध्यान से जाँचने पड़ते हैं। जुड़ी हुई, तेज़ लिखावट जिसमें शिरोरेखा टेढ़ी-मेढ़ी हो, सबसे मुश्किल होती है।
क्या हिंदी OCR मराठी, नेपाली या संस्कृत के लिए भी काम करता है?
ये भाषाएँ देवनागरी लिपि साझा करती हैं, इसलिए ज़्यादातर टेक्स्ट पहचान लिया जाता है, पर शब्दावली और कुछ अक्षर अलग होते हैं। डॉक्यूमेंट की भाषा में मराठी का अलग विकल्प है, जो ळ जैसे अक्षरों को बेहतर संभालता है; नेपाली और संस्कृत के लिए हिंदी सबसे नज़दीकी विकल्प है और प्रूफ़रीडिंग ज़्यादा ज़रूरी है।
